基于多源卫星遥感数据的作物种植信息监测方法技术

本发明专利技术属于农业信息化技术领域，具体涉及一种基于多源卫星遥感数据的作物种植信息监测方法，该方法包括步骤：多空间分辨率遥感卫星影像整合；识别目标注意力强弱评估与排序；基于全连接神经网络的特征提取；基于密集连接的特征融合；设计编码

【技术实现步骤摘要】
基于多源卫星遥感数据的作物种植信息监测方法


[0001]本专利技术属于农业信息化
，具体涉及一种基于多源卫星遥感数据的作物种植信息监测方法。

技术介绍

[0002]遥感技术具有高效、快速、动态、宏观和实施成本低等优点，目前已广泛应用于农业经济作物的面积调查、产量估算以及长势监测等方面。农业遥感已经成为传统农业向信息化农业过渡的主要支撑技术之一。与粮食、蔬菜等农作物相比，中草药具有产地区域性较强、经济价值较高、且市场需求量弹性较弱等特点，如果相关部门不加以引导，很容易造成与市场供求失衡相伴随的价格大幅度波动，从而对药农的经济利益和生产生活造成很大影响。这就要求相关部门须掌握时效性强且准确的产量数据。
[0003]很多中药要作物需要使用遮荫棚，本申请基于此进行研究，以三七中草药为例进行进一步说明：三七为多年喜阴草本植物，全生长期(2
‑
3年)需人工搭建荫棚覆盖，通过对荫棚的遥感解译提取可估算三七种植面积。由于解译对象为荫棚，属于人工建造物，与周围地物存在差异，目前大部分三七荫棚都以透光力更易于控制的黑色塑料遮阳网代替传统的枯枝棚，且云南三七种植面积多为5～10亩或数十亩连片，因此，利用卫星遥感技术识别三七荫棚信息，提取三七种植面积具有一定的可行性。在当前技术条件下，三七种植信息监测方法，主要面临如下挑战：
[0004]1)近年来，三七遮阳棚多以黑遮阳棚形式出现，但单从光谱来提取黑色大棚覆盖区域易与水体、阴影以及部分人工地物混淆；
[0005]2)三七规格品种类型较多，采用的是所有品种的年平均价格作为价格分析的数据，但是单以所有规格品种三七平均价格为例进行分析，不能完全代表其他规格品种的价格走势，从而不能完全确切反映三七种植面积与市场价格的关系；
[0006]3)虽然当前研究呈现出人工特征先验知识与深度学习模型相结合的技术发展方向，国内外在植物遥感调查方面已做过大量的研究工作，但主要研究对象为成片生长的灌木、乔木类植物，而对于草本植物三七这一重要经济作物的遥感调查与监测尚缺少探索。

技术实现思路

[0007]本专利技术的目的在于克服传统技术中存在的上述问题，提供一种基于多源卫星遥感数据的作物种植信息监测方法。
[0008]为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：
[0009]本专利技术提供一种基于多源卫星遥感数据的作物种植信息监测方法，包括以下步骤：
[0010]步骤一、多空间分辨率遥感卫星影像整合；
[0011]步骤二、识别目标注意力强弱评估与排序；
[0012]步骤三、基于全连接神经网络的特征提取；
[0013]步骤四、基于密集连接的特征融合；
[0014]步骤五、设计编码
‑
解码结构，编码特征，最终解码并网络输出作物黑色遮荫棚分析结果。
[0015]进一步地，步骤一中，在人眼识别经验、注意的特征整合理论认识基础上，利用深度学习和多源遥感数据种植区监测深度学习的训练样本，进一步实现包括，
[0016]1)作物黑色遮荫棚的立体视觉注意特征分析；
[0017]2)作物黑色遮荫棚场景的注意力分析方法；
[0018]3)研究多源遥感数据作物黑色遮荫棚目标的差异和视觉注意力评估方法，以及不同目标注意力评估方法的对比研究；
[0019]4)从视觉注意力机制角度，建立作物黑色遮荫棚提取深度学习的计算策略及优化流程；
[0020]5)在进行基于深度学习的高分卫星作物信息智能识别是需要随不同来源的数据进行统一的坐标和投影变换，几何、辐射校正，以选取遥感影像云量较少且质量高的影像。
[0021]进一步地，步骤二中，根据多源遥感数据作物黑色遮荫棚提取所需要识别的目标，以及对应所建立的作物黑色遮荫棚样本库，通过开展步骤一，实现基于深度学习的作物黑色遮荫棚视觉注意特征分析方法、以及基于深度学习的视觉注意力评估方法，并利用这些方法对所需要识别的作物黑色遮荫棚进行视觉注意力强弱评估与排序，以此作为执行作物黑色遮荫棚识别的顺序。
[0022]进一步地，步骤三中，主要采用顾及作物生长变换差异的全连接神经元网络结构实现作物黑色遮荫棚的提取，在训练中权重信息共享，需要更少的参数、不容易出现过拟合。
[0023]进一步地，步骤三中，将密集连接机制引入到全连接神经网络，设计和开发了基于引入密集连接的全卷积神经网络的遥感影像地物边界提取的深度学习模型。
[0024]进一步地，步骤四中，在密集连接结构中，先前所有卷积层的特征映射都与后面层特征有关联，即第L个卷积层能够获取先前所有卷积层(X0，X1,X
2，
K X
L
‑1)的特征映射作为输入：
[0025]X
L
＝F
L
([X0，X1，X2,K,X
L
‑1])；
[0026]其中，[X0，X1，X2,K,X
L
‑1]表示先前所有特征映射的融合，而非线性转换函数F
L
包括批归一化层、激活函数和卷积层；
[0027]密集连接结构构建了一个增长率降低密集连接结构中特征层的冗余，提高网络结构的效率。
[0028]进一步地，步骤五中，编码过程即为图像下采样特征抽取过程，其输入层为长宽为512
×
512遥感影像，下采样层包含1个步长为2，卷积核大小为7的卷积层和5个密集连接块，密集连接块记为DenseBlock；最终可将遥感影像抽取为16
×
16
×
256的高度抽象特征图；解码过程即特征恢复过程，具体为下采样高度抽象特征图经4次反卷积特征恢复和4次DenseBlock特征提取操作，生成512
×
512
×
144的特征恢复图；特征恢复过程中，由跳跃连接结构将上采样与下采样过程中相同长宽特征图进行融合，以提高特征利用度，弥补特征损失；再经一次卷积操作恢复为512
×
512
×
2的裸地、背景二值影像图，即输出与输入图像宽高尺度相同的单通道裸地特征图，再通过随机梯度下降优化器和交叉熵损失函数更新特
征权重，实现遥感影像特征的学习；
[0029]解码结构中，反卷积的高级特征通过跳跃连接层融合编码结构中低级特征，并利用注意力机制指导低级特征获取不同类型的空间细节信息；
[0030]最终，网络输出建筑物语义分析结果。
[0031]进一步地，步骤六中，采用孪生深度学习神经网络结构，实现作物产量估算和价值预测；孪生神经网络是一类包含两个或多个相同子网络和决策网神经网络架构；在孪生网络中，两个分支网络共享完全相同的体系结构和相同的权重集；孪生网络中的子网络具有相同的参数和权重，在网络训练过程时参数是在子网上共同进行更新；孪生神经网络有助于发现不同结构之间的相似性和关系；孪生网络中的子网共享权重意味着训练需要更少的参数，也就意味着需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源卫星遥感数据的作物种植信息监测方法，其特征在于包括以下步骤：步骤一、多空间分辨率遥感卫星影像整合；步骤二、识别目标注意力强弱评估与排序；步骤三、基于全连接神经网络的特征提取；步骤四、基于密集连接的特征融合；步骤五、设计编码
‑
解码结构，编码特征，最终解码并网络输出作物黑色遮荫棚分析结果。2.根据权利要求1所述的基于多源卫星遥感数据的作物种植信息监测方法，其特征在于：步骤一中，在人眼识别经验、注意的特征整合理论认识基础上，利用深度学习和多源遥感数据种植区监测深度学习的训练样本，进一步实现包括，1)作物黑色遮荫棚的立体视觉注意特征分析；2)作物黑色遮荫棚场景的注意力分析方法；3)研究多源遥感数据作物黑色遮荫棚目标的差异和视觉注意力评估方法，以及不同目标注意力评估方法的对比研究；4)从视觉注意力机制角度，建立作物黑色遮荫棚提取深度学习的计算策略及优化流程；5)在进行基于深度学习的高分卫星作物信息智能识别是需要随不同来源的数据进行统一的坐标和投影变换，几何、辐射校正，以选取遥感影像云量较少且质量高的影像。3.根据权利要求1所述的基于多源卫星遥感数据的作物种植信息监测方法，其特征在于：步骤二中，根据多源遥感数据作物黑色遮荫棚提取所需要识别的目标，以及对应所建立的作物黑色遮荫棚样本库，通过开展步骤一，实现基于深度学习的作物黑色遮荫棚视觉注意特征分析方法、以及基于深度学习的视觉注意力评估方法，并利用这些方法对所需要识别的作物黑色遮荫棚进行视觉注意力强弱评估与排序，以此作为执行作物黑色遮荫棚识别的顺序。4.根据权利要求1所述的基于多源卫星遥感数据的作物种植信息监测方法，其特征在于：步骤三中，主要采用顾及作物生长变换差异的全连接神经元网络结构实现作物黑色遮荫棚的提取，在训练中权重信息共享，需要更少的参数、不容易出现过拟合。5.根据权利要求1所述的基于多源卫星遥感数据的作物种植信息监测方法，其特征在于：步骤三中，将密集连接机制引入到全连接神经网络，设计和开发了基于引入密集连接的全卷积神经网络的遥感影像地物边界提取的深度学习模型。6.根据权利要求1所述的基于多源卫星遥感数据的作物种植信息监测方法，其特征在于：步骤四中，在密集连接结构中，先前所有卷积层的特征映射都与后面层特征有关联，即第L个卷积层能够获取先前所有卷积层(X0，X1,X2，K X
L
‑1)的特征映射作为输入：X
L
＝F
L
([X0，X1，X2,K,X

【专利技术属性】
技术研发人员：王彪，荀尚培，霍彦峰，何彬方，陈心桐，张宏群，吴文玉，冯妍，于彩霞，
申请(专利权)人：安徽省气象科学研究所安徽省生态气象和卫星遥感中心，安徽省农业气象中心，
类型：发明
国别省市：